[发明专利]一种基于卷积神经网络的无人机实时车辆检测方法

说明书

本发明公开了一种基于卷积神经网络的无人机实时车辆检测方法，包括步骤如下：(1)制作数据集；(2)聚类出9个锚框；(3)搭建浅层神经网络；(4)添加注意力机制；(5)加入张量自适应模块；(6)在嵌入式设备中训练与测试。本发明构建了一个浅层神经网络，参数量较少，在Jetson tx2适用于无人机的嵌入式设备中运行并且满足实时性的要求；在卷积层之间加入CBAM注意力机制，有利于卷积网络对特征的提取；基于特征金字塔网络进行特征融合后，引入自适应张量选择模块，使网络能够根据目标的语义信息选择最合适的检测张量，进一步提升模型检测的准确性。

技术领域

本发明涉及实时车辆检测方法，尤其涉及一种基于卷积神经网络的无人机实时车辆检测方法。

背景技术

随着社会经济的发展和国民生活水平的提高，我国的汽车数量与日俱增，随之而来的是交通拥堵、交通事故频发，为了缓解日益增长的交通压力，发展智能交通系统迫在眉睫。相较于传统的固定布局和移动终端，无人机具有灵活性、经济性等优点，利用无人机进行车辆的精确定位和识别，为智能交通系统获得可靠的交通信息提供了有效的解决方案。

目前基于深度学习的检测算法分为双阶段和单阶段两种，前者精度较高，后者速度较快。双阶段算法将检测问题划分为两个阶段，首先通过算法产生候选区域，然后对候选区域进行分类并对边框位置进行微调；单阶段算法直接将目标检测中的定位与分类看作回归问题，经过单次检测即可得到最终结果。两种算法参数量较多，需要在专业的显卡上才能成功运行。

由于无人机嵌入式设备的内存和计算能力有限，在嵌入式设备上运行车辆检测算法进行实时场景解析是非常具有挑战性的，在实时性与准确性之间难以达到平衡。

发明内容

发明目的：本发明的目的是提供一种准确性高、实时进行车辆检测的基于卷积神经网络的无人机实时车辆检测方法。

技术方案：本发明所述的车辆检测方法，包括步骤如下：(1)制作数据集；(2)聚类出9个锚框；(3)搭建浅层神经网络；(4)添加注意力机制；(5)加入张量自适应模块；(6)在嵌入式设备中训练与测试。

步骤(1)中利用无人机对车辆进行航拍，获取航拍图像，采用标注软件标出图像中的车辆位置以及类型，将图像分为训练集和测试集。

步骤(2)中采用K-means聚类计算出9个锚框大小。

步骤(3)中构建一个浅层神经网络，激活函数采用Leaky ReLU；选用单阶段目标检测网络yolov3，采用回归算法对目标的位置以及类别进行预测，在嵌入式设备Jetson tx2中进行训练和测试。

步骤(4)中在主干网络加入CBAM注意力机制，对于给定的中间特征图，CBAM注意力机制沿着通道和空间两个维度依次推断出注意力权重，然后与原特征图相乘来对特征进行自适应调整；CBAM注意力机制分为通道注意力模块和空间注意力模块两部分；在通道注意力模块中，将输入的特征图F，首先基于宽和高分别进行全局最大池化和全局平均池化，然后经过一个由多层感知机和一个隐藏层组成的共享网络shared MLP，最终将经过共享网络输出的特征对应元素相加，再经过ReLU激活函数，生成最终的一维通道注意力特征图M_C；将通道注意力特征图M_C和输入特征图F对应元素逐个相乘，生成空间注意力模块需要的输入特征F′；在空间注意力模块中，将通道注意力模块输出的特征图F′作为输入特征图；首先进行基于通道的全局最大池化和全局平均池化，接着将所述的全局最大池化和全局平均池化结果基于通道进行合并，然后经过一层卷积，降维成一个通道，再经过ReLU激活函数生成二维空间注意力特征图M_S，最后将注意力特征图M_S和输入特征图F′相乘，得到最终的特征。